論文の概要: A Dual Perspective on Synthetic Trajectory Generators: Utility Framework and Privacy Vulnerabilities

• arxiv url: http://arxiv.org/abs/2604.19653v2
• Date: Wed, 29 Apr 2026 09:20:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 13:51:53.85513
• Title: A Dual Perspective on Synthetic Trajectory Generators: Utility Framework and Privacy Vulnerabilities
• Title（参考訳）: 合成軌道ジェネレータに関する二視点:ユーティリティ・フレームワークとプライバシ・脆弱性
• Authors: Aya Cherigui, Florent Guépin, Arnaud Legendre, Jean-François Couchot,
• Abstract要約: 本稿では,ユーティリティ評価のための新しいフレームワークを提案する。 プライバシー評価が検討すべき大きな課題であることを示す証拠を提供する。 生成モデルのサブカテゴリに対する新たなメンバシップ推論攻撃を提案する。
• 参考スコア（独自算出の注目度）: 0.43165068185800287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility data are used in numerous applications, ranging from public health to urban planning. Human mobility is inherently sensitive, as it can contain information such as religious beliefs and political affiliations. Historically, it has been proposed to modify the information using techniques such as aggregation, obfuscation, or noise addition, to adequately protect privacy and eliminate concerns. As these methods come at a great cost in utility, new methods leveraging development in generative models, were introduced. The extent to which such methods answer the privacy-utility trade-off remains an open problem. In this paper, we introduced a first step towards solving it, by the introduction and application of a new framework for utility evaluation. Furthermore, we provide evidence that privacy evaluation remains a great challenge to consider and that it should be tackled through adversarial evaluation in accordance with the current EU regulation. We propose a new membership inference attack against a subcategory of generative models, even though this subcategory was deemed private due to its resistance over the trajectory user-linking problem.
• Abstract（参考訳）: 人間の移動データは、公衆衛生から都市計画まで、様々な用途で利用されている。 人間の移動性は本質的に敏感であり、宗教的信念や政治的関係などの情報を含むことができる。 歴史的には、プライバシーを適切に保護し、懸念を取り除くために、集約、難読化、ノイズ付加といった技術を用いて情報を修正することが提案されている。 これらの手法は実用性に大きなコストがかかるため、生成モデルの開発に活用する新たな手法が導入された。 このような方法がプライバシーとユーティリティのトレードオフに答える程度は、依然として未解決の問題である。 本稿では,ユーティリティ評価のための新しいフレームワークの導入と適用により,その解決に向けた第一歩を紹介した。 さらに、我々は、プライバシー評価が検討すべき大きな課題であり、現在のEU規制に従って、敵による評価によって取り組まなければならないという証拠を提示する。 生成モデルのサブカテゴリに対する新たなメンバシップ推論攻撃を提案するが、このサブカテゴリは、トラジェクティブなユーザリンク問題に対する抵抗のため、プライベートであるとみなされた。

関連論文リスト

• Neural Gate: Mitigating Privacy Risks in LVLMs via Neuron-Level Gradient Gating [71.55435880263238]
  ニューラルゲート(Neural Gate)は,ニューロンレベルのモデル編集によってプライバシリスクを軽減する新しい手法である。 本手法は,プライバシ関連質問に対する拒否率を高めることにより,モデルのプライバシ保護を改善する。
  論文  参考訳（メタデータ） (2026-03-13T03:03:20Z)
• Towards Benchmarking Privacy Vulnerabilities in Selective Forgetting with Large Language Models [28.389198065125314]
  選択的な忘れ(マシンアンラーニングとも呼ばれる)は、プライバシとデータ削除タスクの約束を示している。 その約束にもかかわらず、選択的な忘れ物はプライバシーの懸念を生じさせる。 プライバシの脆弱性を選択的に評価するための、最初の包括的なベンチマークを示す。
  論文  参考訳（メタデータ） (2025-12-19T20:04:06Z)
• Adaptive Backtracking for Privacy Protection in Large Language Models [22.340767807000212]
  本稿では,企業指向のプライバシに関する新たな目的について紹介する。 データ・サニタイズなどの既存の手法では、モデルの性能が著しく低下する。 隠れ状態モデルを活用するトレーニングフリーのメカニズムであるABackを提案する。
  論文  参考訳（メタデータ） (2025-08-08T07:29:33Z)
• A False Sense of Privacy: Evaluating Textual Data Sanitization Beyond Surface-level Privacy Leakage [77.83757117924995]
  我々は、データリリース時の個人のプライバシーリスクを定量化するために、再識別攻撃を評価する新しいフレームワークを提案する。 本手法は, 衛生データから年齢や物質使用履歴などのセンシティブな属性を推測するために, 一見無害な補助情報を利用できることを示す。
  論文  参考訳（メタデータ） (2025-04-28T01:16:27Z)
• Technical Report for the Forgotten-by-Design Project: Targeted Obfuscation for Machine Learning [0.03749861135832072]
  本稿では、従来のデータ消去手法と対比して、AIシステム内でのRTBF(Right to be Forgotten)の概念について考察する。 Forgotten by Designは,インスタンス固有の難読化技術を統合した,プライバシ保護のための積極的なアプローチである。 CIFAR-10データセットを用いた実験では,モデル精度を維持しながら,少なくとも1桁のプライバシーリスクを低減できることが示されている。
  論文  参考訳（メタデータ） (2025-01-20T15:07:59Z)
• Targeted Unlearning with Single Layer Unlearning Gradient [15.374381635334897]
  機械学習手法は、訓練されたモデルからセンシティブまたは望ましくないコンテンツを除去することを目的としている。 対象情報を学習するための効率的な手法として,SLUG(Single Layer Unlearning Gradient Computing)を提案する。
  論文  参考訳（メタデータ） (2024-07-16T15:52:36Z)
• Collection, usage and privacy of mobility data in the enterprise and public administrations [55.2480439325792]
  個人のプライバシーを守るためには、匿名化などのセキュリティ対策が必要である。 本研究では,現場における実践の洞察を得るために,専門家によるインタビューを行った。 我々は、一般的には最先端の差分プライバシー基準に準拠しない、使用中のプライバシー強化手法を調査した。
  論文  参考訳（メタデータ） (2024-07-04T08:29:27Z)
• Privacy Backdoors: Enhancing Membership Inference through Poisoning Pre-trained Models [112.48136829374741]
  本稿では、プライバシーバックドア攻撃という新たな脆弱性を明らかにします。 被害者がバックドアモデルに微調整を行った場合、トレーニングデータは通常のモデルに微調整された場合よりも大幅に高い速度でリークされる。 我々の発見は、機械学習コミュニティにおける重要なプライバシー上の懸念を浮き彫りにし、オープンソースの事前訓練モデルの使用における安全性プロトコルの再評価を求めている。
  論文  参考訳（メタデータ） (2024-04-01T16:50:54Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Enabling Trade-offs in Privacy and Utility in Genomic Data Beacons and Summary Statistics [26.99521354120141]
  要約データやBeaconの応答とプライバシを明示的にトレードオフするための最適化ベースのアプローチを導入します。 第一に、攻撃者はメンバーシップ推論のクレームを行うために確率比テストを適用する。 第2に、攻撃者は、個人間のスコアの分離に対するデータリリースの影響を考慮に入れたしきい値を使用する。
  論文  参考訳（メタデータ） (2023-01-11T19:16:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。